چهار مرحله مدل بلوغ داده
چهار مرحله مدل بلوغ داده
یکشنبه, ۸ دی , ۱۳۹۸

تصمیم‌گیری‌های ضعیف گاها منجر به خسارت‌های بزرگی برای سازمان‌ها می‌شوند. شرکت‌هایی که منابع داده زیادی دارند، جریان‌های داده‌ای جدیدی ایجاد می‌کنند و دیتاست‌های موجود را به شکل‌های جدیدی طراحی می‌کنند. این شرکت‌ها از تحلیل‌هایی استفاده می‌کنند که در نهایت تصمیم‌گیری‌ها بهتر انجام شوند. با ظهور مواردی مثل ساختارهای داده‌ای حافظه‌دار (in memory)، سیستم‌های ذخیره‌ای که بر اساس فایل‌ها هستند، و حجم زیادی از پردازش‌های موازی، کلیه داده‌ها می‌توانند برای پردازش آماده شوند. اما برای استخراج ارزش از داده‌ها، یک مدل عملکردی برای حل مسائل کسب و کارها باید ساخته شود. این مدل می‌بایست بر اساس به کارگیری تکنولوژی درست برای هر فاز از چرخه داده، طراحی شود و موجب شود که تحلیل‌های سلف سرویس (self-service analytics) با هزینه زمانی و مالی کمتر، ارائه شوند. برای رسیدن به این مرحله شما نیاز دارید که بدانید کجای مسیر بلوغ داده‌ای هستید. امروزه رسیدن به بلوغ داده برای هر سازمانی الزامی است . به ندرت دیده می‌شود که سهام‌داران یک سازمان پیش‌بینی‌ها و تحلیل‌هایی را بپذیرند بدون اینکه بدانند در کسب و کار چه اتفاقی افتاده است. در کمپانی Dell، یک مدل بلوغ داده‌ای طراحی شده که مشتریان نیز می توانند مدل بلوغ داده‌ای خود را از این طریق دنبال کنند.

data-maturity-model

Data Aware (آگاهی به داده)

سازمان‌ها گزارشات غیراستاندارد را از سامانه‌های مختلف جمع آوری می‌کنند. هدف آن‌ها استانداردسازی گزارشات است. چندین و چند سامانه هوش تجاری (business intelligence)، منابع داده‌ای و پایگاه داده وجود دارد اما این‌ها یکپارچه سازی نشده اند. گزارشات کسب وکار ها به صورت تکی و مستقل گرفته  می‌شوند و برای کسب و کار قابل اعتماد نیستند.

اگر سازمان شما نیز با این مشکلات روبرو است. با ساخت و طراحی موارد زیر می توانید در منحنی بلوغ روند رو به رشدی را داشته باشید.

 مدلسازی داده و طراحی پایگاه داده (data modeling and database design)

نرمال سازی داده (data normalization)

 انتقال داده ها به یک سامانه هوش تجاری / گزارش گیری

ساخت داشبوردهای گزارشات. ( building reporting dashboards)

چیرگی بر داده ها (Data Proficient)

در این فاز، کیفیت داده مورد بررسی قرار داده می شود. بخش  IT، چندین پایگاه داده (Database) یا بازار داده (Data Mart) و یا یک انبار داده ناقص دارد. این منابع داده یکپارچه سازی نشده اند. KPI ها(شاخص های کلیدی عملکرد) سازمان پیگیری می‌شوند. و شرکت آماده است تا ابتکاری در داده ها به وجود بیاورد. اما هنوز نمی داند که چگونه داده ها را دستکاری کند یا از داده های ساختار نیافته استفاده کند. در این مرحله طبیعی است که به دانش بخش IT اکتفا نشود و تقاضای فناوری هایی فراتر از آن وجود داشته باشد.

شرکت ها می بایست کارهای زیر را انجام دهند:

  • کار کردن روی یکپارچه سازی داده ها و کیفیت آن ها
  • آماده سازی داده ها برای دسترسی سریع کاربران
  • پیاده سازی تکنولوژی هایی مثل Hadoop برای داده های ساختار نیافته
  • بهینه سازی انبار داده (Data warehouse) – استفاده از ETL
  • پیاده سازی استرانژی برای مدیریت داده ها به صورت حرفه ای

این اقدامات منجر به دریافت گزارشات استاندارد از طریق پلتفرم‌های مختفی مثل Power BI  می‌شود.

حال سازمان از منابع خود به صورت کارامدتر استفاده می‌کند و آماده است تا از هدف کلان داده و تحلیل داده باخبر شود: تغییر راهی که عمل می کند.

درک داده‌ها (Data Savvy)

در این مرحله سازمان ها از داده ها استفاده می کنند تا تصمیم های حیاتی اتخاذ کنند. این همان جایی است که اعضای کلیدی سازمان به مرحله بعدی می روند تا مخازن داده ای را در هم بشکنند. از آنجاییکه برخی کسب وکارها از داده به عنوان یک مزیت رقابتی استفاده می کنند، قسمت IT باید با به کارگیری تکنولوژی های جدید، در بین رقبا پیش روی کند. این تکنولوژی ها موجب یکپارچه سازی منابع داده، ذخیره سازی بهینه داده و استفاده راحت تر از داده ها در زمان نیاز می شود.

بخش IT سازمان می‌بایست بر ساخت قابلیت‌های پیشرفته ای مانند دریاچه داده (Data Lake)، یکپارچه سازی داده، متن کاوی، داده کاوی، ساخت مدل‌های آماری و آنالیز های پیش گویانه (Predictive Analysis) تمرکز کند.

داده محور (Data Driven)

آخرین مرحله بلوغ داده، داده محور شدن است. نداشتن داده به معنای عدم توانایی در تصمیم گیری است. IT تمامی منابع داده را یکپارچه سازی می کند و پلفرمی پیشرفته برای تحلیل پیاده سازی می کند. در این مرحله کسب و کار شما می داند که از تحلیل ها در کجا و چگونه استفاده کند.

در این مرحله از بلوغ داده، چالش هایی جهت داده محور ماندن و فهم مزایای رقابتی، موجب  استفاده از تحلیل‌ها در فرایندهای مختلف کسب و کار می‌شود. در این راستا از آنالیزهای پیش گویانه و توصیفی استفاده می شود.

کسب و کار ها باید بر توسعه تجربه و رابط کاربری (UI/UX) بخش‌های مختلف (مانند فروش، بازاریابی، عملیات، منابع انسانی) که بر مبنای نیاز باشد، سرمایه گذاری کنند. از طرفی سازمان می‌بایست برنامه ای برای استفاده از تحلیل های پیش گویانه برای پاسخگویی و اقدام در حوزه های مختلف، داشته باشد. سرمایه گذاری برای یادگیری ماشین، مدل‌های پیش‌بینی و تحلیل احساسات (sentiment analysis) غیرقابل چشم پوشی است.

دستیابی به بلوغ و داده محور شدن سازمان شامل توانمندسازی کاربران نهایی (end users) برای انجام تحلیل های خود، بدون نیاز به IT است.این مدل به کسب وکار این اجازه را می‌دهد که سرعت توسعه تحلیل ها افزایش یابد و قابلیت ها و امنیت زیرساخت‌های بخش IT افزایش یابد.

یک کلیک تا داده محور شدن فاصله دارید.

متخصصین هوش تجاری و تحلیل داده در شرکت نمودار، داده‌های کسب و کار شما را تحلیل می‌کنند.

نام نویسنده:
به اشتراک بگذارید:
نمودار
مرجع رسمی هوش تجاری و علم داده | نمودار اولین مرجع تخصصی Power BI
مقالات مرتبط
هوش تجاری ( هوش کسب و کار ) چیست؟
هوش تجاری ( هوش کسب و کار ) چیست؟
با توجه به اینکه تعریف های زیادی در رابطه با هوش تجاری یا دقیق تر بگیم هوش کسب و کار ارائه شده، سعی می‌کنیم تا جایی که ممکن هست دید بهتری از این مفهوم را برای شما توصیف کنیم. گاهی اوقات برای درک بهتر یک مفهوم، بهتر است از این شروع کنیم که آن مفهوم چه [...]
Data Science Vs Business Intelligence
مقایسه هوش تجاری و علم داده | Data Science Vs Business Intelligence
امروزه با توجه به داده محور شدن کسب و کارها، علم داده روز به روز بیشتر مورد استفاده قرار می‌گیرد. اگر به رشد تحلیل داده (Data Analysis) در سال‌های اخیر دقت کنیم، می‌بینیم که شکل سنتی هوش تجاری که در آن از علم داده استفاده نمی‌شده، تنها یک گزارش آماری بوده است. با افزایش حجم [...]
نظرات